C.d.l. Biotecnologie Industriali e Ambientali Biologia ...€¦ · Biologia computazionale A.A....
Transcript of C.d.l. Biotecnologie Industriali e Ambientali Biologia ...€¦ · Biologia computazionale A.A....
Biologia
computazionale A.A. 2010-2011 semestre II
UNIVERSITÀ DEGLI
STUDI DI MILANO Docente: Giorgio Valentini
Istruttore: Matteo Re
1 INTRODUZIONE
C.d.l. Biotecnologie Industriali e Ambientali
Note amministrative:
Email: [email protected]
Sito web: put here the link
Inviatemi al più presto una email contenente queste informazioni:
• Nome
• Cognome
• Matricola
• Corso di laurea
• Come oggetto inserite : corsobiocomp2011
Motivazioni dell‟esistenza della biologia computazionale:
Biologia Computazionale è l‟applicazione di strumenti propri delle scienze dell‟informazione (es. algoritmi, intelligenza artificiale, databases) a problemi di interesse biologico, biotecnologico e biomedico.
Attualmente suscita grande interesse perché:
• La dimensione dei problemi biologici è sufficiente a motivare lo sviluppo di algoritmi efficienti
• I problemi sono accessibili (elevata quantità di dati pubblici e letteratura inerente) ed interessanti
• Le scienze biologiche si avvalgono sempre più spesso di strumenti computazionali
Gli sviluppi delle scienze biomediche, (in particolare
per quanto riguarda la biologia molecolare) si
verificano ad un ritmo tale da porre seri problemi:
La nostra capacità tecnologica di acquisire nuovi dati
(spesso in quantità elevate) rende impossibile la loro
analisi in assenza di strumenti efficienti.
Biologia computazionale:
Scienze dell‟Informazione o Biologia? (I)
La biologia computazionale gode di un interesse sempre crescente sia nei dipartimenti di area biomedica che nei dipartimenti di scienze dell‟informazione.
• Molti problemi biologici si avvalgono di strumenti informatici (es. assemblaggio di frammenti genomici, analisi di biosequenze, costruzione alberi filogenetici…)
• Molti strumenti biologici sono stati proposti per rispondere a problemi informatici (avete mai pensato che il DNA offre incredibili possibilità di calcolo parallelo? … cercate in google „DNA COMPUTING‟)
Biologia computazionale:
Scienze dell‟Informazione o Biologia? (II)
La reazione della comunità scientifica alla comparsa del virus SARS in Asia nel Febbraio 2003 illustra il ruolo critico che genomica e informatica giocano nella biologia moderna.
• Marzo 2003: analisi di dati di microarray di DeRisi rivelano che si tratta di un coronavirus.
• 12 Aprile 2003: Il Michael Smith Genome Sciences Centre in Canada annuncia il sequenziamento del genoma del virus.
• 15 Aprile 2003: Microarray SARS-specifici vengono messi in commercio.
• 1 Maggio 2003: Analisi di predizione delle posizioni dei geni SARS ed analisi del genoma SARS pubblicati in Science.
• Fine Maggio 2003: Pubblicazione analisi filogenetica per trovare la posizione del virus SARS nella famiglia dei coronavirus.
• Novembre 2008: Pubblicato esperimento in cui viene riportata la costruzione di un virus SARS sintetico(!)
Attacco al virus SARS
Verranno introdotti PROBLEMI COMPUTAZIONALI inerenti a:
• Assemblaggio di sequenze
• Predizione dei geni
• Analisi di dati microarray
• Predizione della classe di oggetti biologici mediante integrazione di dati eterogenei
• Predizione della classe farmacologica
e studieremo l‟APPLICAZIONE degli strumenti disponibili per la soluzione di questi problemi (NBB: l‟applicazione non è possibile senza il disegno di un esperimento).
In questo corso di Biologia Computazionale
Biologia Computazionale è altamente interdisciplinare: questo pone dei problemi.
Informatici vs Biologi/Biotecnologi/Medici…
Esistono vari tipi di scienziati in area biomedica (biologi, biotecnologi, ecologi, medici,…) come in area informatica (algoritmisti, ingegneri del software,…). Questa area di ricerca suscita anche molto interesse da parte di matematici e statistici.
PROBLEMA:
NULLA è completamente vero / falso nelle scienze biomediche mentre TUTTO è vero / falso in scienze dell‟informazione / matematica.
„Natura‟ della Biologia Computazionale (I)
Esistono delle fondamentali differenze culturali tra informatici,
matematici e scienziati di area biomedica:
Biotecnologi/Medici ecc. : cercano di capire un mondo reale
estremamente complicato (e sono consapevoli di averne una visione
parziale).
Informatici/Matematici ecc. : cercano di costruire dei „micromondi‟
organizzati ed ordinati che funzionano da rappresentazioni ridotte del
mondo reale. Queste rappresentazioni virtuali del mondo reale sono
INDISPENSABILI per sviluppare soluzioni efficienti a problemi altrimenti
intrattabili.
„Natura‟ della Biologia Computazionale (II)
Vogliono SCOPRIRE qualcosa …
Vogliono INVENTARE qualcosa …
Altre differenze importanti:
„Natura‟ della Biologia Computazionale (III)
Scienziati area
Biomedica (BM)
Scenziati area
computazionale o matematica
(CM)
Conseguenze
?
Data driven Algorithm driven Pagine web
CM migliori di
pagine web BM
Bagaglio di conoscenze più
vasto e più vario
(biochimica/genetica/chimic
a/fisica…)
Bagaglio di conoscenze più
specializzato (sono in grado di
svolgere operazioni complesse
in modo efficiente)
Sono a loro agio rispetto al
fatto che OGNI DATO
contiene degli errori
Non lo sono
Costi sperimentali
estremamente elevati …
(pianificazione
sperimentale accurata)
Metriche fondamentali per
pianificare un esperimento sono
stime del tempo necessario e
qualità delle soluzioni prodotte
Cercheremo molto spesso di valutare due aspetti degli algoritmi utilizzati in biologia computazionale:
• Correttezza
• Efficienza
Descriveremo algoritmi che ritornano, in modo DIMOSTRABILE, la miglior soluzione possibile ad un problema combinatorio BEN DEFINITO. Esistono inoltre altre procedure dette EURISTICHE che restituiscono buoni risultati in problemi pratici ma di cui non è dimostrabile la correttezza.
Una grossa difficoltà è quella di “estrarre” problemi ben definiti da problemi reali complessi in modo da rendere questi ultimi affrontabili. Questo processo è analogo alle sperimentazioni in-vivo ed in-vitro.
Scienze dell‟Informazione
per scienziati di area biomedica
Spesso (se non sempre) gli esperimenti di biologia
computazionale sono svolti in parti separate, ognuna affidata ad
una categoria differente di figure professionali.
Il rischio maggiore è che le parti svolgano operazioni che non
convergano ad una soluzione (o, peggio, che la soluzione finale
non risponda ai problemi iniziali).
Possibile soluzione: potenziare i contatti tra le parti in gioco in
modo che il team Biomedico formalizzi il problema in esame nel
modo più stringente possibile ed il team informatico sia quindi in
grado di costruire una soluzione adatta al problema e che
permetta di salvaguardare contemporaneamente correttezza
(quando possibile), efficienza e coerenza della soluzione
proposta con il problema in esame.
Insidie in esperimenti di Biologia
Computazionale
Presentazione di problemi di interesse biologico/biotecnologico e
della loro formalizzazione.
Descrizione di algoritmi di uso corrente utilizzati per rispondere
ai problemi presentati (analisi delle caratteristiche dei vari
algoritmi).
Ricerca sistematica del punto di contatto tra le varie discipline
coinvolte nella soluzione dei problemi (questo è l‟obiettivo
fondamentale del corso)
Obiettivi del corso
(alcune) Sfide della Biologia Computazionale
Biologia
computazionale A.A. 2010-2011 semestre II
UNIVERSITÀ DEGLI
STUDI DI MILANO Docente: Giorgio Valentini
Istruttore: Matteo Re
2 ALLINEAMENTO DI
BIOSEQUENZE
C.d.l. Biotecnologie Industriali e Ambientali
Elementi conservati nel corso dell‟evoluzione
Kellis et al. Nature 2003
Possiamo “LEGGERE” l‟evoluzione
per trovare elementi funzionali
Obiettivo di oggi:
Come possiamo ALLINEARE le sequenze di due
geni?
I genomi cambiano nel tempo
mutazione
delezione
inserzione
Stato iniziale
Stato finale
Obiettivo dell‟allineamento:
INFERENZA DELLE OPERAZIONI DI MODIFICA (editing)
Stato iniziale
Stato finale
Bio CS FORMALIZZAZIONE DEL PROBLEMA
1. Definizione di un set di operazioni evolutive (mutazione, inserzione e delezione)
Simmetria delle operazioni (A → C, C → A ) permette reversibilità rispetto al tempo. Questa è una scelta di “disegno” della formalizzazione del problema.
Eccezione(Bio) : dinucleotidi CpG metilati → TpG/CpA
(perdita simmetria)
Bio CS FORMALIZZAZIONE DEL PROBLEMA
2. Definizione di un criterio di ottimalità (minimo numero operazioni, minimo costo complessivo,…)
E‟ IMPOSSIBILE inferire la serie ESATTA di operazioni che portano dalla sequenza A alla sequenza B!
Rasoio di Occam: “Avendo a disposizione diverse ipotesi equivalentemente competitive rispetto ad un dato problema è buona norma scegliere la più semplice e scartare le altre”.
Bio CS FORMALIZZAZIONE DEL PROBLEMA
3. Definizione di un algoritmo in grado di
raggiungere questa condizione di ottimalità (o
in grado di approssimarla)
Predicibilità Correttezza
Rilevanza
Casi speciali
Bio CS
Algoritmi
Assunzioni
Implementazione
Trattabilità
Computabilità
Trade-off
FORMULAZIONE 1 : longest common subsequence (LCS) CS
“Date due sequenze S1 ed S2 possibilmente originatesi da
una medesima sequenza ancestrale quale è la più lunga
sottosequenza in comune (LCS) ?” (gap non ammessi)
FORMULAZIONE 2 : longest common subsequence (LCS) CS
“Date due sequenze S1 ed S2 possibilmente originatesi da
una medesima sequenza ancestrale quale è la più lunga
sottosequenza in comune (LCS) ?” (gap ammessi)
E‟ basata su edit
distance:
•Numero di
cambiamenti per
passare da S1 a S2
•Funzione di scoring
uniforme
FORMULAZIONE 3 : Allineamento di sequenze CS
• Gap ammessi (penalità fissa):
- Operazioni di inserzione e delezione
- Medesimo costo per ogni carattere inserito/deleto
• Penalità variabili per le operazioni di editing:
- Transizioni (Pirimidine↔Pirimidine, Purine↔Purine)
- Trasversioni (variazioni Pirimidine↔Purine)
- Polimerasi confonde “relativamente spesso” A/G e C/T
FORMULAZIONE 4,5,6,… CS
Molte variazioni:
es. Penalità variabili in accordo con il numero di gap
…
(riuscite a proporre delle varianti?)
CS
• Data una funzione di scoring additiva :
- Costo mutazioni (AG, CT, altre)
- Costo inserzione / delezione
- Premio per match
• Serve algoritmo per provare il miglior allineamento:
- Enumerazione di tutti i possibili allineamenti?
- Come la realizzereste?
- Quanti sono i possibili allineamenti di due sequenze?
Come possiamo costruire il “miglior” allineamento?
CS
• Per due sequenze di lunghezza n:
Modi di allineare due sequenze di lunghezza m, n:
n Enumerazione Tecnica
presentata oggi
10 184756 100
20 1.40E+11 400
100 9.00E+58 10000
CS
• Calcolo RICORSIVO del miglior allineamento:
- Per una data coppia di sequenze allineate (S1,S2) il
miglior allineamento è:
. Miglior allineamento di S1[1..i] e S2[1..j]
. + Miglior allineamento di S1[ i..n] e S2[ j..m]
PUNTO CRUCIALE: gli score sono additivi:
CS
Sottoproblemi IDENTICI ! Possiamo riutilizzare più
volte la stessa soluzione.
IDEA : riutilizzo delle operazioni svolte dal calcolatore
CS
• Creazione di un DIZIONARIO (le chiavi sono le sequenze)
• Quando dobbiamo allineare due sequenze cerchiamo una
soluzione corrispondente alle due sequenze
• SE ESISTE: ritorniamo il risultato
• SE NON ESISTE:
- calcoliamo la soluzione
- inseriamo la soluzione nel dizionario
- restituiamo la soluzione
• Assicuriamoci di non duplicare i calcoli:
è necessario calcolare un sottoallineamento una sola
volta
SOLUZIONE #1 :
LOGICA TOP-DOWN
CS
• Creazione di una grossa tabella con indici i,j
- Riempiamola compilando gli score di tutti i possibili
sottoallineamenti (calcolati in passi che siano i più
piccoli possibili)
- ci serviranno tutti i possibili ”passi” dell‟allineamento
(per trovare la soluzione finale)
• Assicuriamoci di non duplicare i calcoli:
è necessario calcolare un sottoallineamento una sola
volta
• Soluzione MOLTO SEMPLICE DAL PUNTO DI VISTA
COMPUTAZIONALE!
SOLUZIONE #2 : PROGRAMMAZIONE DINAMICA
LOGICA BOTTOM-UP
CS Introduzione alla PROGRAMMAZIONE DINAMICA
I numeri di Fibonacci
… sono definiti in maniera ricorsiva:
F(0)=1, F(1)=1, F(n) = F(n-1)+F(n-2)
1,1,2,3,5,8,13,21,34,55,89,144,233,377,…
Obiettivo:
calcolo dell‟
n-esimo
numero di
Fibonacci
CS
• Codice R:
SOLUZIONE #1 :
LOGICA TOP-DOWN
fibonacci_TD <- function(n){
if(n==1 || n==2){
return(1)
}else{
return ( fibonacci_TD(n-1)+fibonacci_TD(n-2) )
}
}
T(n) = T(n-1)+T(n-2)= (…) = O(2n)
complessità esponenziale
(in realtà è peggio ancora)
CS
• Codice R:
SOLUZIONE #2 :
LOGICA BOTTOM-UP
fibonacci_BU <- function(n){
fib_table<-vector()
fib_table[1] <- 1
fib_table[2] <- 1
for(i in 3:(n+1)){
fib_table[i] <- fib_table[i-1]+fib_table[i-2]
}
return(fib_table[n])
}
T(n) = O(n)
complessità lineare
CS
• Cosa fa la soluzione iterativa?
- rivela sottoproblemi identici
- ordina le operazioni in modo da favorirne il riutilizzo
- riempie una tabella di risultati (intermedi)
- esprime problemi complessi come insiemi di
sottoproblemi più semplici
• L‟ordine delle operazioni conta
- approccio top-down molto lento (risultati
intermedi non disponibili)
- approccio bottom-up efficace (risolve sottoproblemi,
salva risultati, non ricalcola la soluzione ma la
costruisce da valori già disponibili)
Cosa ci insegna l‟algoritmo iterativo per il calcolo
dell‟ennesimo numero di Fibonacci? (progr. dinamica)
CS
• Il problema può essere rappresentato come insieme di
sottoproblemi
• I sottoproblemi non sono sovrapposti (problemi indipendenti
che si ripresentano molte volte: calcolo una volta e riutilizzo le
soluzioni)
• In problemi di ottimizzazione reali:
- scelte ottimali a livello locale
- score sommato rispetto a tutto lo spazio dei sottoproblemi
- soluzione: traceback per trovare il “percorso migliore” tra le
soluzioni dei sottoproblemi
Basi della programmazione dinamica:
CS
Programmazione dinamica sembra una buona
soluzione (finora è stata presentata solo con
l‟esempio dei numeri di Fibonacci) …
COME POSSIAMO APPLICARLA AL
PROBLEMA DELL‟ALLINEAMENTO DI
SEQUENZE?
CS
• Calcolo RICORSIVO del miglior allineamento:
- Per una data coppia di sequenze allineate (S1,S2) il
miglior allineamento è:
. Miglior allineamento di S1[1..i] e S2[1..j]
. + Miglior allineamento di S1[ i..n] e S2[ j..m]
PUNTO CRUCIALE: gli score sono additivi:
CS
1. Trovare i „parametri‟ della matrice (# dimensioni, variabili)
2. Assicurarsi che lo spazio dei sottoproblemi sia finito
- se il riutilizzo non è estensivo può darsi che prog. din.
non sia la scelta migliore
3. Ordine di calcolo: i sottorisultati devono essere disponibili
quando ci servono
- (bottom-up è meglio di top-down … ma non è sempre
così ovvio)
4. Ricorsione: sovraproblema = F(sottoproblema)
5. Ricordare le scelte effettuate in precedenza ( tipicamente F()
include min() o max() )
6. Iniziamo a calcolare:
- Riempiamo la matrice di sottorisultati
- Definiamo un “punto di partenza” e ripercorriamo i passi
all‟indietro fino a trovare la migliore soluzione.
Programmazione dinamica in pratica:
Bio CS ALLINEAMENTO LOCALE DI
SEQUENZE NUCLEOTIDICHE
Algoritmo più noto per soluzione del problema:
Smith-Waterman (1981)
Obiettivo:
“Date due sequenze relativamente lunghe, determinare la
sottosequenza della prima sequenza che realizza il
maggior grado di similarità con una sottosequenza della
seconda sequenza”.
Bio CS ALLINEAMENTO LOCALE DI
SEQUENZE NUCLEOTIDICHE
Smith-Waterman (1981)
1) Inizializzazione
Data una coppia di sequenze SA=a1,a2,…,ai,an e
SB=b1,b2,…,bj,bm costruire una matrice H=||Hi, j||, costituita
da n+1 righe e m+1 colonne che viene inizializzata
ponendo:
Hi,0 = H0,j per 0 ≤ i ≤ n e 0 ≤ j ≤ m
Bio CS ALLINEAMENTO LOCALE DI
SEQUENZE NUCLEOTIDICHE
Smith-Waterman (1981)
2) Calcolo
Per ciascuna coppia di elementi ai e bj appartenenti alle
sequenze SA e SB si definisce un punteggio di similarità s .
Per il confronto di sequenze nucleotidiche tale punteggio viene
generalmente definito come segue:
s(ai , bj) = α se ai = bj ( usualmente > 0 )
s(ai , bj) = β se ai ≠ bj ( usualmente ≤ 0 )
Wk = γ+δ(k-1) dove γ=costo fisso apertura gap
δ=penalità aggiuntiva per estensione gap
Bio CS ALLINEAMENTO LOCALE DI
SEQUENZE NUCLEOTIDICHE
Smith-Waterman (1981)
2) Calcolo (continua)
I valori della matrice Hij vengono determinati secondo
l‟equazione:
Hi,j = max(Hi-1,j-1 + s(ai , bj) , Hi-1,j - pgap, Hi,j-1 - pgap , 0)
NB: in questo esempio invece di usare Wk = γ+δ(k-1) come penalità
dinamica per i gap di diversa lunghezza abbiamo utilizzato una
penalità costante ( pgap ) indipendente dall‟estensione dei gap.
Bio CS ALLINEAMENTO LOCALE DI
SEQUENZE NUCLEOTIDICHE
Smith-Waterman (1981)
2) Calcolo (continua)
I valori della matrice Hij vengono determinati secondo
l‟equazione:
Hi,j = max(Hi-1,j-1 + s(ai , bj) , Hi-1,j - pgap, Hi,j-1 - pgap , 0)
Confronto tra delezione delezione
nucleotidi in sequenza B in sequenza A
(match/mismatch) di lunghezza 1 di lunghezza 1
score ≠
Bio CS ALLINEAMENTO LOCALE DI
SEQUENZE NUCLEOTIDICHE
Smith-Waterman (1981)
2) Calcolo (continua)
I valori della matrice Hij vengono determinati secondo
l‟equazione:
Hi,j = max(Hi-1,j-1 + s(ai , bj) , Hi-1,j - pgap, Hi,j-1 - pgap , 0)
INTERPRETAZIONE: Questa formula ricorsiva considera tutte le
possibili terminazioni di segmenti allineati alle cui estremità si
trovano ai e bj.
Bio CS ALLINEAMENTO LOCALE DI
SEQUENZE NUCLEOTIDICHE
2) Calcolo
Bio CS DUALITA‟ :
“miglior allineamento” ↔ miglior
percorso attraverso la matrice !
NUOVO OBIETTIVO:
Trovare il miglior
percorso attraverso la
matrice !
Bio CS ALLINEAMENTO LOCALE DI
SEQUENZE NUCLEOTIDICHE
3) Backtracking
-Trovare valore
massimo
- Ripercorrere la
matrice fino a
quando non rag-
giungo l‟ angolo
in alto a sinistra
o trovo 0 sulla
diagonale
3.3
Bio CS ALLINEAMENTO LOCALE DI
SEQUENZE NUCLEOTIDICHE
3) Backtracking
-Trovare valore
massimo
- Ripercorrere la
matrice fino a
quando non rag-
giungo l‟ angolo
in alto a sinistra
o trovo 0 sulla
diagonale
3.3
G C C A U U G
| | | | . |
G C C – U C G
Bio CS ALLINEAMENTO GLOBALE DI
SEQUENZE
Algoritmo più noto per soluzione del problema:
Needleman-Wunsch (1970)
Obiettivo:
“Date due sequenze A e B, determinare il miglior
allineamento (avente quindi il maggior grado si similarità tra
le sequenze considerate) che comprenda ogni elemento
della sequenza A ed ogni elemento della sequenza B. ”
Bio CS ALLINEAMENTO GLOBALE DI
SEQUENZE
Algoritmo più noto per soluzione del problema:
Needleman-Wunsch (1970)
Costrizioni proprie dell‟allineamento globale:
1) Lo score similarità calcolato confrontando seq A con Seq B,
S(A,B),DEVE essere uguale allo score di similarità che si
ottiene confrontando seq B con seq A, S(B,A).
2) Io score di similarità tra due sequenze A e B, S(A,B) DEVE
essere minore o uguale alla somma degli score di similarità
ottenuti confrontando sia seq A che seq B con una terza
sequenza (seq C): S(A,B) ≤ S(A,C) + S(B,C)
Bio CS ALLINEAMENTO GLOBALE DI
SEQUENZE
Algoritmo più noto per soluzione del problema:
Needleman-Wunsch (1970)
Anche l‟algoritmo di Needleman-Wunsh, come quello di
Smith-Waterman, è basato su tecniche di programmazione
dinamica.
Bio CS ALLINEAMENTO GLOBALE DI
SEQUENZE
Needleman-Wunsch (1970)
1) Date due sequenze A e B di lunghezza n ed m,
rispettivamente, viene
costruita una matrice
n per m. Nel caso più
semplice i valori delle
celle Mij vengono ini-
zializzati come segue:
1 (caratteri identici)
0 (altrimenti)
Bio CS ALLINEAMENTO GLOBALE DI
SEQUENZE
Needleman-Wunsch (1970)
2) Una volta inizializzata, la matrice viene trasformata a
partire dalla cella in basso
a destra.
Trasformazione: Aggiungere allo score della
cella corrente il massimo
valore della celle apparte-
nenti alla coppia riga-colon-
na avente l‟angolo in alto a
sinistra posizionato in basso
e a destra della cella considerata.
Bio CS ALLINEAMENTO GLOBALE DI
SEQUENZE
Needleman-Wunsch (1970)
2) Trasformazione …
Bio CS ALLINEAMENTO GLOBALE DI
SEQUENZE
Needleman-Wunsch (1970)
2) Trasformazione …
Bio CS ALLINEAMENTO GLOBALE DI
SEQUENZE
Needleman-Wunsch (1970)
3) Traceback
Partendo dal valore mas-
simo (8) si procede verso
verso la cella in basso a
destra seguendo il per-
corso che realizza il pun-
teggio più alto.
Bio CS ALLINEAMENTO GLOBALE DI
SEQUENZE
Needleman-Wunsch (1970)
Entrambi i percorsi (allineamenti) realizzano il massimo punteggio (8)
Bio CS ALLINEAMENTO GLOBALE DI
SEQUENZE
Needleman-Wunsch (1970)
NB:
Non sono
ammessi
spostamenti
diretti verso
destra o
verso il
basso.
La soluzione non è unica … ( + percorsi con lo score massimo)
Bio CS ALLINEAMENTO DI SEQUENZE
Allineamento globale : GOTOH 1982
L‟algoritmo di Needleman-Wunsch è stata la prima
soluzione ampiamente utilizzata per risolvere problemi di
allineamento globale. Ma, come soluzione, non era
efficiente.
Nel 1982 Gotho propose una variante simile a quella
proposta in precedenza da Smith e Waterman. Lo schema
è molto simile ma ci sono alcune differenze importanti.
Bio CS ALLINEAMENTO DI SEQUENZE
Allineamento globale : GOTOH 1982
• Costruzione matrice m per n
• Inizializzazione:
H(0,0) = 0 H(i,0) = i * pgap H(0,j) = j * pgap
• Riempimento matrice:
Come SW ma senza considerare lo 0 (possibili valori < 0)
• Inizio traceback : sempre da H(m,n)
Bio CS ALLINEAMENTO DI SEQUENZE
Allineamento globale vs locale
Bio CS ALLINEAMENTO DI SEQUENZE
Allineamento globale vs locale
Bio CS ALLINEAMENTO DI SEQUENZE
Allineamento globale vs locale
Bio CS ALLINEAMENTO DI SEQUENZE
Riassunto:
Il processo di allineamento cerca di quantificare la
similarità (numero di variazioni esistenti) tra le sequenze
confrontate.
I metodi presentati si basano su tecniche di
programmazione dinamica (soluzione di problemi grandi
una volta che questi ultimi sono stati scomposti in problemi
più piccoli)
Diversi tipi di allineamento: locale e globale
ALLINEAMENTO DI SEQUENZE: Bio CS
I genomi cambiano nel tempo. Pattern evolutivi simili possono
aiutarci a identificare sequenze funzionalmente simili.
Confronto di biosequenze (nt, aa) : quantificare la similarità sulla
base delle variazioni necessarie per trasformare una sequenza
nell‟altra (allineamento).
Molti modi di allineare due sequenze. E‟ necessaria una
soluzione per trovare il miglior allineamento possibile.
Soluzione efficiente: suddividere il problema in molti
sottoproblemi ripetitivi e calcolare le soluzioni dei sottoproblemi
seguendo un ordine che garantisca il possibile riutilizzo delle
soluzioni già calcolate → programmazione dinamica.
ALLINEAMENTO DI SEQUENZE: Bio CS
Alla fine del processo di allineamento COSA OTTENIAMO?
CS: Allineamento con score migliore ( più allineamenti possono
avere il massimo score), calcolato in modo efficiente.
Bio:
UN ALLINEAMENTO E‟ UNA
IPOTESI EVOLUTIVA
(avente come obiettivo quello di suggerire l‟esistenza di relazioni
funzionali tra le sequenze confrontate)
ALLINEAMENTO ↔ IPOTESI EVOLUTIVA Bio
Se è vero che un allineamento equivale ad un‟ipotesi evolutiva,
cosa giustifica tale ipotesi? (dal punto di vista biologico)
> (conservazione crescente durante l‟evoluzione in caso di omologia funzionale)
ALLINEAMENTO ↔ IPOTESI EVOLUTIVA Bio
La sequenza delle proteine è meno conservata rispetto a struttura
secondaria, terziaria e quaternaria nel corso dell‟evoluzione.
Questo ha due effetti:
1) Proteine OMOLOGHE possono avere sequenza molto
diverse e quindi produrre allineamenti aventi un punteggio di
similarità basso.
2) Se la similarità tra due sequenze proteiche è elevata (in
maniera statisticamente significativa) è abbastanza
ragionevole ipotizzare che tra di esse esista una relazione di
omologia funzionale.
OMOLOGIA: carattere qualitativo, SIMILARITA‟: carattere quantitativo
ALLINEAMENTO ↔ IPOTESI EVOLUTIVA Bio
Per ora abbiamo discusso il problema dell‟allineamento di
biosequenze e abbiamo visto le soluzioni algoritmiche. Ma
dobbiamo sempre ricordare che:
I metodi presentati (Needleman-Wunsch e Smith-Waterman)
permettono di trovare il “miglior” allineamento in modo efficiente
ma non garantiscono che il risultato sia biologicamente
sensato!
Perché un allineamento risulti informativo è di FONDAMENTALE
importanza che gli schemi di SCORING abbiano un senso
biologico (questo è particolarmente evidente nel caso di
allineamenti di sequenze PROTEICHE).
ALLINEAMENTO ↔ IPOTESI EVOLUTIVA Bio
Ha senso parlare di
SCORE FISSI per
match e mismatch
quando cerchiamo
di allineare due
sequenze
proteiche?
NO
ALLINEAMENTO ↔ IPOTESI EVOLUTIVA Bio
Ha senso parlare di
SCORE FISSI per
match e mismatch
quando cerchiamo
di allineare due
sequenze
proteiche?
NO
COME E‟ POSSIBILE
DECIDERE QUALE
SCORE ASSEGNARE A
DEI PARTICOLARI
match/mismatch TRA
AMINOACIDI?
E‟ un problema biologico (si)
E‟ un problema informatico (no)
… è un problema statistico!
ALLINEAMENTO DI SEQUENZE:
INTERPRETAZIONE PROBABILISTICA Bio Stat
In questa parte discuteremo di:
- Punteggi per i match
- Penalità per i mismatch
(sia nel caso di allineamenti nucleotidici che aminoacidici)
- Origine degli score utilizzati in applicazioni pratiche
Matrici di sostituzione:
-PAM
-BLOSUM
ALLINEAMENTO DI SEQUENZE:
INTERPRETAZIONE PROBABILISTICA Bio Stat
ALLINEAMENTO DI SEQUENZE:
INTERPRETAZIONE PROBABILISTICA Bio Stat
Modello probabilistico di allineamento di
biosequenze:
• Ci concentriamo su allineamenti proteici senza gap
• Dato un allineamento possiamo considerare due opzioni:
C: Deriva da sequenze evolutivamente Correlate
N: Deriva da sequenze evolutivamente Non correlate
• Come è possibile distinguere tra i due casi?
• C‟è un collegamento tra questa domanda e le matrici di
sostituzione amminoacidiche?
ALLINEAMENTO DI SEQUENZE:
INTERPRETAZIONE PROBABILISTICA Bio Stat
Sequenze evolutivamente NON correlate:
• Assumiamo che ogni aa in ogni posizione dell‟allineamento
derivi da un campionamento CASUALE di una distribuzione di
aa.
qa = probabilità dell‟ aminoacido a
• La probabilità di un allineamento di n caratteri tra le sequenze x
ed y è data da:
ALLINEAMENTO DI SEQUENZE:
INTERPRETAZIONE PROBABILISTICA Bio Stat
Sequenze evolutivamente Correlate:
• Assumiamo che ogni coppia di aa allineati derivi da un ancestor
comune.
Pab = probabilità che l‟evoluzione abbia originato un aminoacido
a nella sequenza x ed un aminoacido b nella sequenza y.
• La probabilità di un allineamento di n caratteri tra le sequenze x
ed y è data da:
ALLINEAMENTO DI SEQUENZE:
INTERPRETAZIONE PROBABILISTICA Bio Stat
Come decidiamo quale dei modelli (C o N)
è più probabile dato un allineamento?
• Consideriamo la probabilità relativa dei modelli dato
l‟allineamento:
• Calcolando il logaritmo otteniamo:
ALLINEAMENTO DI SEQUENZE:
INTERPRETAZIONE PROBABILISTICA Bio Stat
• Gli elementi della matrice degli score di sostituzione per tutte le
coppie di aminoacidi a b si calcolano come segue:
Ma come calcoliamo i valori Pab (prob. che a e b si siano originati
dal medesimo ancestor nel corso dell‟evoluzione)?
DIPENDE DAL TEMPO DI DIVERGENZA:
• Divergenza recente Pab ≈ 0 se a ≠ b
• Divergenza lontana Pab ≈ qaqb
MATRICI DI SOSTITUZIONE Bio Stat
Idea chiave:
Collezioni di sequenze che sappiamo a priori essere
evolutivamente correlate possono fornire informazioni riguardanti
le sostituzioni “biologicamente permesse.
Questo pone un problema:
Come possiamo costruire collezioni di sequenze “evolutivamente
correlate” … che criterio possiamo utilizzare per selezionare
sequenze evolutivamente correlate?
MATRICI DI SOSTITUZIONE Bio Stat
MATRICI PAM (Percent Accepted Mutation Matrices)
[Dayhoff ,1978] Assunzione: analizzando sequenze correlate
filogeneticamente (cioè evolutivamente) si può calcolare la probabilità con
cui ogni amminoacido subisce un evento di sostituzione, ovvero una point
accepted mutation.
Furono calcolate le probabilità di sostituzione di ogni amminoacido con
ciascun altro, prevedendo in media una mutazione ogni 100 aminoacidi:
questa venne chiamata distanza evolutiva 1 PAM.
La matrice PAM 1 non ha applicazioni pratiche ma serve per calcolare le
matrici PAM di ordine superiore, ottenute simulando successivi passi
evolutivi, cioè applicando le probabilità di sostituzione definite in PAM 1.
Tipicamente si usano matrici comprese tra PAM 10 (per sequenze
filogeneticamente vicine) e PAM 240 (per sequenze filogeneticamente
molto lontane).
MATRICI DI SOSTITUZIONE Bio Stat
BLOSUM (Blocks Amino Acid Substitution Matrices):
[Henikoff & Henikoff , 1992] Utilizzano la banca dati BLOCKS che
contiene una collezione di allineamenti multipli (senza gap) di segmenti di
proteine suddivisi in famiglie. I blocchi corrispondono a regioni
strutturalmente conservate !
Ogni blocco di allineamenti contiene sequenze con un numero di
aminoacidi identici superiore ad una certa percentuale P, solitamente
compresa tra il 30% e il 95%.
Da ogni blocco è possibile ricavare la frequenza relativa di sostituzione
degli aminoacidi, che può essere utilizzata per calcolare la matrice di
punteggi.
L‟indice associato alla matrice BLOSUM indica la percentuale di identità
minima all‟interno del blocco.
MATRICI DI SOSTITUZIONE Bio Stat
PAM vs BLOSUM
> Divergenza < Divergenza
BLOSUM 45 BLOSUM 62 BLOSUM 90
PAM 250 PAM 160 PAM 100
MATRICI DI SOSTITUZIONE Bio Stat
PAM vs BLOSUM: quale delle due scegliere? (I)
I due tipi di matrici partono da presupposti diversi:
PAM: si assume un modello in cui le sostituzioni aminoacidiche
osservate a grandi distanze evolutive derivino esclusivamente dalla
somma di tante mutazioni indipendenti. I punteggi risultanti
esprimono quanto sia più probabile che l‟appaiamento di una
coppia di aminoacidi sia dovuto a omologia piuttosto che al caso.
BLOSUM: non sono basate esplicitamente su un modello evolutivo
delle mutazioni dei singoli aa. E‟ in grado di catturare meglio la
sostenibilità di una certa mutazione dato un contesto (fornito dai
blocchi di sequenze corrispondenti a regioni strutturalmente
conservate).
MATRICI DI SOSTITUZIONE Bio Stat
PAM vs BLOSUM: quale delle due scegliere? (II)
Il confronto tra le matrici PAM e BLOSUM, a un livello di sostituzioni
paragonabili, indica che i due tipi di matrice sono effettivamente molto
simili tra loro, ma non uguali.
Le PAM tendono a premiare sostituzioni aminoacidiche che derivano da
una singola base, penalizzando le sostituzioni che comportano cambi di
codone più complessi.
Si ritiene che le matrici BLOSUM siano più adatte delle PAM per effettuare
ricerche di similarità di sequenze.
BLOSUM 50 Bio Stat
Isoleucina e Leucina: score di mutazione reciproci > 0
Triptofano: premio di “conservazione” estremamente elevato
Sostituzioni
a penalità
lieve?
ALLINEAMEMTO PAIRWISE
Bio
Stat
E‟ possibile
calcolare in
modo efficiente
un allineamento
che richieda il
minor numero
variazioni per
passare da una
sequenza
all‟altra
Perché le ipotesi
evolutive
generate abbiano
senso
è necessario
assegnare degli
score di sostituzione
che siano
statisticamente
frequenti nel corso
dell‟evoluzione
Sequenze biologiche
variano durante
l‟evoluzione
BIOLOGIA
COMPUTAZIONALE:
è possibile generare
Ipotesi evolutive
CS